پایان نامه ارشد رایگان درمورد داده های تلفیقی، عرضه اولیه، داده های ترکیبی

دانلود پایان نامه ارشد

ح زیر طبقه بندی شده است:
فرضه اول: شرکت های دارای عرضه اولیه،در دوره مالی قبل از عرضه اولیه،سود را مدیریت می کنند.
در این تحقیق فرضیه صفر و فرضیه مقابل آن به این صورت است:
H0: در شرکت های دارای عرضه اولیه، در دوره مالی قبل از عرضه اولیه، میانگین مدیریت سود (مبتنی بر اقلام واقعی و اقلام تعهدی) صفر است.
H1: در شرکت های دارای عرضه اولیه، در دوره مالی قبل از عرضه اولیه، میانگین مدیریت سود (مبتنی بر اقلام واقعی و اقلام تعهدی) مخالف صفر است.
فرضیه دوم: شرکت های دارای عرضه اولیه ای که توسط سازمان حسابرسی، مورد حسابرسی قرار می گیرند، بیشتر از اقلام واقعی در مدیریت سود استفاده می کنند.
H1: شرکت های دارای عرضه اولیه ای که توسط سازمان حسابرسی، مورد حسابرسی قرار می گیرند، بیشتر از اقلام واقعی در مدیریت سود استفاده می کنند.
H0: شرکت های دارای عرضه اولیه ای که توسط سازمان حسابرسی، مورد حسابرسی قرار می گیرند، بیشتر از اقلام تعهدی در مدیریت سود استفاده می کنند.
برای آزمون فرضه اول از آزمون t استیودنت (یک جمله ای) و از نرم افزارSpss استفاده میکنیم و برای سنجش فرضیه دوم اقدام به برآورد ضرایب مدل رگرسیون با استفاده از روش حداقل مربعات معمولی (OLS) در نرم افزار Eviews و از آزمون t استیودنت (دو جمله ای)، در نرم افزار Spss استفاده می کنیم.
3-11- بخش دوم: مدل داده های تلفیقی و روش های تخمین
3-12- مقدمه
امروزه روش داده های تلفیقی به لحاظ مزایا و برتری هایی که نسبت به روش های مقطعی و سرس زمانی دارد،به طور فزاینده ای در تحقیقات اقتصادی استفاده می شود. داده های تلفیقی به مجموعه داده هایی اطلاق می شود که بر اساس آن مشاهدات به واسطه تعداد زیادی از متغیرهای مقطعی(N) که اغلب به صورت تصادفی انتخاب می شوند، در طول یک دوره زمانی (T) مورد بررسی قرار می گیرد. در این صورت N×T داده های آماری را داده های تلفیقی_سری زمانی می نامند (مشکی،1390).
3-12-1- مزایای استفاده از داده های تلفیقی
از آنجا که استفاده از داده های ترکیبی به افراد ، بنگاه ها، شرکت ها و کشور ها و از این قبیل واحد ها، در طی زمان ارتباط دارند، وجود ناهمسانی واریانس در این واحدها محدود می شود.
با ترکیب مشاهدات سری زمانی و مقطعی، داده های ترکیبی اطلاعات بیشتر، تغییر پذیری بیشتر، هم خطی کمتر میان متغیرها، درجه آزادی بیشتر و کارایی بیشتر را ارائه می کند.
در مطالعه مشاهدات مقطعی تکراری، داده های ترکیبی به منظور مطالعه پویایی تغییرات، مناسب تر و بهترند.
داده های ترکیبی، تاثیراتی را که نمیتوان به سادگی در داده های سری زمانی و مقطعی مشاهده کرد بهتر معین می کنند.
داده های ترکیبی با ارائه داده برای هزاران واحد، می توانند تورشی را که ممکن است در نتیجه لحاظ افراد یا بنگاه های اقتصادی(به صورت جمعی و کلی) حاصل شود و به حداقل برسانند. به طور کلی باید گفت،داده های ترکیبی، تحلیل های تجربی را به شکلی غنی می سازد که در صورت استفاده از داده های زمانی یا مقطعی این امکان وجود ندارد. البته نمی توان گفت که مدل سازی با داده های ترکیبی هیچ مشکلی ندارد.(تفلاطونی و نیکبخت،1389).

3-13- انواع مدل های داده های تلفیقی
مدل های مربوط به داده های تلفیقی از انواع مختلف مدل ها تشکیل شده است در یک طبقه بندی کلی می توان مدل های مذبور را بشرح زیر طبقه بندی نمود:
الف)داده های تلفیقی ایستا
ب)داده های تلفیقی پویا
3-13-1- مدل داده های تلفیقی ایستا
الف)مدل ضرایب ثابت(CCM)
ب)مدل اثرات ثابت(FEM)
ج)مدل اثرات تصادفی(REM)
3-13-1-1- مدل ضرایب ثابت: در صورتی که هیچکدام از اثرات مقطعی ویا اثرات زمانی تفاوت معنی داری از هم نداشته باشند،در آن صورت می توان تمامی داده هارا با هم ترکیب نموده و به وسیله رگرسیون حداقل مربعات معمولی (OLS) تخمین زد.مدل مزبور مدل رگرسیون ترکیبی نیز نامیده می شود. شکل کلی مدل با فرض وجود سه متغیر مقطعی (سه شرکت)، ده دوره زمانی(20000-1991) و دو متغیر مستقل به شرح زیر خواهد بود:
(3-12)
Yi,t=α1+β1X1i,t+β2X2i,t+ui,t
t=1,2,3,…,10 i=1,2,3
در رابطه فوق y نشان دهنده متغیر وابسته، iنشان دهنده iامین واحد مقطعی،t نشان دهنده t امین دوره زمانی، Xi,t نشان دهنده برداری از متغیر های مستقل و ui,t جمله خطا می باشد. اگر هر واحد مقطعی دارای تعداد یکسانی از مشاهدات سری زمانی باشد در آن صورت داده های ترکیبی، متوازن نامیده شده و در غیر اینصورت نا متوازن تلقی خواهد شد.
3-13-1-2- مدل اثرات ثابت: در این مدل، ضرایب شیب بین واحد های مقطعی (شرکت ها) ثابت بوده و لیکن عرض از مبدا برای هر یک از شرکت ها متفاوت می باشد.در این مدل با وجود آنکه عرض از مبدا برای هر یک از شرکت ها متفاوت می باشد و لیکن در طول زمان ثابت بوده و تغییر نمی کند و به همین دلیل نیز به مدل اثرات ثابت معروف شده است. با در نظر گرفتن فروضات قبلی،شکل کلی مدل مزبور به شرح زیر خواهد بود:
(3-13):
Yi,t=αi,t+ β1X1i,t+ β2X2i,t
اندیس iدر جمله فوق نشان دهنده ی این مطلب است که عرض از مبدا برای هر یک از واحد های مقطعی (شرکت ها) متفاوت بوده ولی در طول زمان ثابت است.
3-13-1-3- مدل اثرات تصادفی: در صورتیکه متغیرها به صورت تصادفی انتخاب شده باشند و بین متغیرها توضیحی و خطاها همبستگی وجود نداشته باشد، می توان برای رسیدن به تخمین کارا و سازگار از روش اثر تصادفی استفاده نمود. طرفداران روش اثرات تصادفی چنین استدلال می کنند که آوردن متغیر های مجازی در مدل رگرسیون، پوششی برای بی توجهی و ناآگاهی ما از وجود متغیر های توضیحی مناسب و بکار گرفتن آن در مدل تخمین می باشد. لذا در مدل اثرات غفلت از کاربرد متغیرهای مزبور بواسطه جمله خطا بیان می شود.
ایده اولیه مدل اثرات تصادفی مبتنی بر رابطه(3-12) می باشد. در این مدل به جای آنکه فرض شود 1,iα ثابت است ، فرض می شود متغیری تصادفی با میانگن 1α (بدون اندیس i) می باشد. بر این اساس مقدار عرض از مبدا به صورت زیر بیان می شود:
(3-14):
α1,i=α1+ei
ei جمله خطای تصادفی با میانگین صفر و واریانس 2σ می باشد. در این مدل اثرات احتمالی فرض بر آن است که همبستگی ei با متغیر های توضیحی صفر می باشد:
(3-15):
Cov(xi,t ei) t=1,2,3,……,T
با جایگزینی رابطه(3-14)در رابطه (3-13)خواهیم داشت :
(3-16):
Yi,t=α1+ β1X1i,t+ β2X2i,t+ui,t+ei
در رابطه فوق،مقدار ui,t نشان دهنده خطای هر مشاهده بوده و ei به عنوان یک متغیر غیر قابل مشاهده نشان دهنده خطای (تصادفی) مقطعی معین می باشد. اگر i نشان دهنده مقاطع یا افراد باشد، در این صورت در برخی موارد به آن اثر انفرادی و یا ناهمگونی فردی نیز اطلاق می شود. به صورت مشابه همین واژه ها را در ورد شرکت ها نیز می توان بکار برد.بدین ترتیب ui,t + ei خطای کل با شرایط cov(uit ,ei) برای تمام t ها و تمام i ها است که آن را می توان به عنوان جمله خطای ترکیبی (vit) تعریف نمود. بدین ترتیب رابطه (3-8) را می توان بشکل زیر خلاصه نمود:
(3-17):
Yi,t=α1+ β1X1i,t+ β2X2i,t+vit
بنابراین در مدل اثرات تصادفی (برخلاف مدل اثر ثابت که در آن هر واحد مقطعی مقدار عرض از مبدا ثابت خود را دارد)، عرض از مبدا 1α ،میانگین تمام عرض از مبداهای مقطعی را نشان می دهد و جز خطای ui،انحراف عرض از مبدا انفرادی را از میانگین مشخص می نماید. (مشکی1390).
3-14- تفاوت بین مفاهیم pooled & panel
اگر عرض از مبدا و ضرایب شیب در طول زمان و مکان ثابت باشد، می گوییم برآورد از نوع pooled بوده است. اگر مدل به گونه ای برآورد شود که عرض از مبدا ، شیب، و یا هر دو در ابعاد زمانی، مکانی یا هر دو ثابت نباشد و تغییر کنند، می گوییم برآورد از نوع panel است. (افلاطونی و نیکبخت،1389).
3-14-1- آزمون چاو
چاو(1960) آزمونی را معرفی کرد که برای انتخاب بین دو مدل رگرسیون تلفیقی(pooled)و مدل اثرات ثابت مورد استفاده قرار می گیرد. فرضیات آزمون مزبور بشرح زیر می باشد:
H0:α1 =α2=…αn-1=0عرض از مبدا با هم برابرند

H1:α1≠0 Ǝi€ 1,….n-1حداقل یکی از عرض از مبدا ها با بقیه تفاوت دارد.
در این آزمون ، فرضیه صفر بیانگر برابری ضرایب و عرض از مبدا شرکت های مورد بررسی بوده و از این رو رد فرضیه صفر مبین استفاده از روش داده های پانل (مدل اثرات ثابت) و عدم رد فرضیه صفر بیانگر استفاده از روش داده های تلفیقی (pooled) می باشد.
(3-18):
Chow=(RRSS-URSS/(N-1))/(URSS/(NT-N-K)) ~Fn-1,N(T-1)-K
آماره فوق دارای توضیع F با N-1,NT-N-K درجه آزادی است. در رابطه فوق N نشان دهنده تعداد شرکت ها ،K به معنای تعداد تخمین زننده ها (به استثنای متغیر موهومی)T تعداد دوره های زمانی،NT تعداد کل مشاهدات،RRSS مجموع مجذورات باقیمانده رگرسیون مقید و URSSمجموع مجذورات باقیمانده رگرسیون غیر مقید می باشد.
3-14-2- آزمون هاسمن
در فرایند انتخاب بین دو مدل اثرات تصادفی و مدل اثرات ثابت، معمولترین آزمون محسوب می شود. آزمون هاسمن بر پایه وجود همبستگی بین متغیرهای مستقل و اثرات انفرادی طراحی شده و فرض صفر و فرض مقابل در آن بشرح زیر قابل ارائه می باشد.
H0=COV[αIوxI]=0
H1=COV[αi,Xi]≠0
در صورتی که جز خطای تصادفی (اثر انفرادی) با متغیر های توضیحی همبستگی داشته باشد (فرض H0رد میشود) در آن صورت مدل اثرتصادفی تورش دار بوده و در چنین حالتی لازم است مدل اثر ثابت بکار گرفته شود.
3-15- مدل داده های تلفیقی پویا
در صورتی مدل رگرسیون مورد تحلیل در بر گیرنده یک یا چند عنصر با وقفه از متغیر وابسته به عنوان متغیر توضیحی باشد، در آن صورت مدل را مدل خودرگرسیونی یا مدل دینامیک (پویا) می نامند. این مدل ها در واقع بیانگر رگرسیون متغیر وابسته بر حسب خودش با وقفه زمانی معین می باشد. مدل های خود رگرسیونی از شکل مشترک زیر برخوردارند:
(3-19)
Yi,t=α1+ β1Xi,t+ β2Xi,t-1+vit
روش کلاسیک حداقل مربعات معمولی به طور مستقیم در مدل فوق قابل کاربرد نمی باشد. این موضوع ناشی از دو علت است: اول به لحاظ وجود متغیر توضیحی است وکاستیک و دوم به لحاظ امکان وجود همبستگی سریالی در اجزاء اخلال. به عبارت دیگر در صورتی که متغیر توضیحی در مدل رگرسیون با جز اخلال استوکاستیک همبسته باشد، در این صورت تخمین زنهای OLS تورش دار خواهند بود. یکی از راه حل های موجود برای حل مشکل استفاده از متغیر های ابزاری است. به این معنی که بتوان برای متغیر yit-1 جانشینی پیدا نمودکه علی رغم همبستگی شدید با متغیر مزبور ،vi,t همبسته نباشد. چنین جانشینی متغیر ابزاری نامیده می شود.
3-16- تکنیک های تخمین سیستم معاملات
سیستم معاملات بر مجموعه ای از معاملات با ضرایب نا معلوم می باشد که با استفاده از روش های متعددی می توان اقدام به برآورد ضرایب آن نمود. برخی از روش های تخمین برای برآورد ضرایب متغیر های مستقل را می توان بشرح زیر خلاصه نمود:
3-16-1- روش حداقل مربعات معمولی(OLS)
این روش به کارال فردریک گوس ریاضیدان نامی آلمان نسبت داده می شود. روش مذبور مجموع مربعات پسماند را کمینه می نماید. روش OLS تخمین زننده هایی را ارائه می کند که خطی، بدون تورش و در بین تمام تخمین زننده های خطی و بدون تورش، دارای حداقل واریانس باشد.
3-16-2- روش حداقل مربعات تعمیم یافته(GLS)
یکی از مهمترین مفروضات مدل کلاسیک رگرسیون خطی(GLR) این است که واریانس هر جز جمله خطاuit، به شرط مقدار معینی از متغیر های توضیحی، مقدار ثابتی مساوی با 2σ می باشد. فرضی که در اصطلاح، همسانی واریانس نامیده می شود:
(3-20):
E(ui2)=σ2 i=1,2,…,N
با قبول فرض فوق، تخمین زننده iβ از طریق OLS معمولی بهترین تخمین زن خطی بدون تورش (BLUE)محسوب خواهد شد. اما چنانچه فرض ناهمسانی واریانس، جایگزین فرض همسانی گردد، دیگر تخمین زن مزبور بهترین (دارای حداقل واریانس یا کارایی) نخواهد بود.
3-17- مسایل مورد توجه در تخمین مدل
با توجه به اینکه قبل از تخمین و اجرای مدل های

پایان نامه
Previous Entries پایان نامه ارشد رایگان درمورد مدیریت سود، اقلام تعهدی، قلام تعهدی Next Entries پایان نامه ارشد رایگان درمورد اثرات ثابت، مدیریت سود، مدل رگرسیون